klasifikasi mutu biji kopi menggunakan metode k nearest neighbor berdasarkan warna dan...
Post on 21-Feb-2020
102 Views
Preview:
TRANSCRIPT
1
KLASIFIKASI MUTU BIJI KOPI MENGGUNAKAN METODE K –
NEAREST NEIGHBOR BERDASARKAN WARNA DAN TEKSTUR
Muhammad Ainnur Rizal Program Studi Teknik Informatika,
Fakultas Teknologi Informasi dan Elektro
Universitas Teknologi Yogyakarta
Jl. Ringroad Utara Jombor Sleman Yogyakarta
E-mail : ainnurrizal.ar@gmail.com
ABSTRAK
Kopi merupakan salah satu hasil pertanian yang memiliki nilai ekonomi cukup tinggi, bahkan menjadi sumber
devisa suatu negara termasuk Indonesia. Meningkatnya permintaan kopi dalam perkembangan pasar dan
perdagangan dunia, membuat produsen atau petani kopi lebih selektif mengenai mutu dari biji kopi. Namun untuk
memilih biji kopi secara manual mangalami kendala, akibat adanya sifat subjektif atau kurangnya pemahaman ilmu.
Penelitian ini melakukan pengolahan terhadap citra biji kopi menggunakan metode K – Nearest Neighbor
berdasarkan warna dan tekstur. Tujuan penelitian ini untuk mengenali cacat biji kopi sesuai standar mutu yang
telah ditetapkan oleh Badan Standar Nasional. Terdapat tiga kategori cacat biji untuk dilakukan pengenalan yaitu
biji muda, biji jamur, dan biji normal. Data citra yang digunakan sebanyak 60 data latih dan 15 data uji. Hasil
akurasi kesesuaian data untuk nilai K=1, K=5 dan K=7 adalah 66,67%, sedangkan nilai K=3 adalah 60%, dan total
keseluruhan 65%.
Kata kunci : Biji Kopi, Pengolahan Citra, K – Nearest Neighbor.
1. PENDAHULUAN
Kopi merupakan salah satu komoditas pertanian yang
memiliki peluang dalam pengembangan pasar dan
perdagangan dunia. Bukan hanya kenikmatan rasa
dari kopi itu sendiri, melainkan terdapat nilai
ekonomi yang cukup tinggi dan sebagai sumber
devisa suatu negara seperti Indonesia. Kopi memiliki
berbagai macam spesies, namun diantaranya hanya
dua varietas yang mempunyai nilai perdagangan
penting yaitu kombinasi dari biji yang dipanggang
arabika dan robusta. Perbedaan utama diantara kedua
jenis kopi ini adalah dari rasa, warna, bentuk dan
tingkat kafein. Biji arabika lebih mahal di pasar
dunia, karena memiliki rasa yang lebih ringan dan
memiliki kafein 70% lebih rendah dibandingkan
dengan biji robusta. Menurut International Coffee
Organization (2017), Indonesia masuk dalam urutan
lima besar produsen dan eksportir kopi terbesar di
dunia pada musim 2016 – 2017. Kualitas biji kopi
merupakan suatu faktor yang sangat berperan penting
dalam dunia perdangangan, semakin baik kualitas biji
kopi yang akan dipasarkan, maka semakin tinggi pula
jumlah permintaan akan biji kopi tersebut. Penentuan
mutu biji yang membutuhkan suatu ketepatan dalam
proses pemilihan, sehingga biji yang dipilih sesuai
dengan kebutuhan akan mutu biji kopi yang baik.
Dalam meningkatkan daya saing pasar
dalam negeri maupun pasar internasional, kualitas biji
kopi harus memenuhi standarisasi mutu sehingga
dapat diterima secara luas oleh konsumen. Biji kopi
sudah terdaftar dalam Standar Nasional Indonesia
(SNI) (2008), standar ini menetapkan definisi dan
penetapan nilai cacat untuk jenis cacat dari biji kopi,
dan penggolongan mutu berdasarkan nilai cacat yang
didapatkan. Pengklasifikasian grade mutu pada biji
kopi didasarkan pada SNI 01-2907-2008. Penggunaan
standar grade mutu dengan sistem yang akan dibuat
dimaksudkan untuk menyesuaikan standar mutu kopi
Indonesia dengan sistem pemutuan kualitas di negara
penghasil kopi lainnya. Kopi robusta memiliki 7
grade mutu yang terdiri atas mutu 1, 2, 3, 4a, 4b, 5,
dan 6. Sedangkan untuk grade mutu kopi arabika
terdapat 6 karena pada mutu 4 tidak dibagi menjadi 2
bagian. Dalam sistem ini, penulis menggunakan
standar mutu untuk jenis kopi arabika dengan
pengambilan sampel sebanyak 75 butir kopi atau data
citra.
Terdapat jenis cacat pada standar SNI untuk
biji kopi adalah biji muda dan biji berjamur. Ciri fisik
biji muda berukuran kecil, melengkung berwarna
kuning pucat kehijauan dan sering dilaisi kulit ari
berwarna keabuan yang melekat. Penyebab dari cacat
2
tersebut tidak tepat dalam proses memetik atau dalam
keadaan kurang matang. Ciri fisik biji berjamur biasa
berwarna kuning kecoklatan atau kemerahan, terdapat
titik (spora) pada tahap awal serangan dan tumbuh
menutupi seluruh biji. Penyebab dari cacat tersebut
tidak tepatnya proses penyimpanan, kopi disimpan
dalam kondisi lembab berlebih juga dapat
mengakibatkan biji mudah terserang jamur.
Keputusan memilih biji kopi secara manual
mengalami banyak kendala akibat adanya sifat
subjektif dalam pemilihan biji kopi ataupun
kurangnya pemahaman ilmu. Dalam membuat
keputusan menentukan biji kopi berkualitas, perlu
adanya sistem yang tepat untuk menganalisis
permasalahan tersebut. Sistem pendukung keputusan
merupakan suatu solusi yang efektif bagi permasalah
memilih biji kopi yang berkualitas. Teknologi
pengolahan citra digital dapat digunakan untuk
mengklasifikasikan mutu biji kopi yang sesuai
standar SNI. Pengolahan citra digital dapat
mendeteksi warna dan tekstur yang terdapat pada biji
kopi. Hal itu dilakukan dengan melakukan
perbandingan komposisi warna RGB (Red, Green,
Blue) pada perhitungan statistis (rerata, deviasi
standar, skewness, dan kurtosis) dan nilai ekstraksi
fitur tekstur berbasis histogram (intensitas, kontras,
skewness, energi, entropi, smoothness) yang
diperoleh dari citra biji. Fitur RGB dan ekstraksi fitur
tekstur dipilih karena untuk menentukan perubahan
warna dalam mendeteksi cacat warna pada biji kopi.
Metode K-Nearest Neighbor (KNN) akan digunakan
untuk mengklasifikasi biji ke beberapa kelas
berdasarkan standar yang sudah ditentukan.
Permasalahan penentuan biji kopi yang diteliti
dan dikaji perlu adanya batasan sebagai berikut :
a. Peralatan yang digunakan yaitu kamera DSLR
Canon EOS tipe 600D resolusi kamera 18 MP
dengan lensa 55 mm, ISO 400. Pengambilan
gambar 20 cm tegak lurus diatas objek.
b. Menggunakan sebuah kotak mini studio
berukuran 23 cm x 22 cm x 24 cm latar
belakang berwarna putih dengan satu panel
lampu LED.
c. Ekstensi gambar yang digunakan JPG atau
JPEG.
d. Menggunakan biji kopi yang sudah terlepas dari
kulit.
e. Menggunakan jenis cacat yang terdaftar dalam
SNI yaitu biji muda dan biji berjamur.
f. Sampel biji kopi yang digunakan adalah sampel
biji kopi jenis arabika dengan sampel 75 data
citra dibagi menjadi 25 biji normal, 25 biji
muda, 25 biji berjamur.
Menentukan mutu biji kopi dilihat dari jumlah nilai
cacat yang sudah diatur dalam SNI kopi.
2. LANDASAN TEORI
2.1 Biji Kopi Kopi (Coffea) termasuk dalam tanaman famili
Rubiaceae dan terdiri atas banyak jenis antara lain
Coffea Arabica, Coffea Robusta, dan Coffea Liberica.
Kopi banyak diyakini berasal dari sebuah kerajaan
kuno di Ethiopia bernama Abessinia dan tanaman
kopi disana tumbuh di dataran tinggi [2].
Pembudidayaan tanaman kopi jenis arabika dan
robusta telah berkembang di Indonesia. Selain
dijadikan sebagai minuman, kopi juga dapat
menurunkan resiko terkena penyakit kanker, diabetes,
batu empedu dan berbagai penyakit jantung.
Indonesia sendiri mampu menghasilkan lebih dari
400 ribu ton per tahunnya, sehingga tanaman kopi
mampu menjadi salah satu kekuatan perekonomian
negara. Terdapat beberapa jenis cacat yang terdaftar
pada SNI biji kopi, maka hanya 2 jenis cacat yang
dilakukan penelitian yaitu biji muda dan biji
berjamur. Pengambilan sampel data untuk dilakukan
penelitian sebanyak 75 data citra, terbagi menjadi 3
kelompok yaitu biji normal sebanyak 25, biji muda
sebanyak 25, dan biji berjamur sebayak 25. Citra
yang digunakan berekstensi JPG atau JPEG. Setiap
kelompok dibagi menjadi 2 bagian, diambil 5 sampel
data latih dan 20 data masing – masing kelompok
untuk sampel data uji [13].
Biji muda memiliki fisik berukuran sedang cenderung
kecil, melengkung berwarna kuning pucat kehijauan
dan sering dilapisi kulit ari berwarna silver yang
melekat. Penyebab dari cacat biji tersebut adalah cara
pemetikan yang kurang tepat, tidak matang merata
dan penyimpanan tergabung dengan benda lain,
contoh objek terlihat pada gambar 1 [13].
Gambar 1 : Biji Muda
Biji berjamur memiliki ciri fisik seperti berwarna
kuning kecoklatan atau kemerahan, terdapat titik
spora pada tahap awal serangan yang tumbuh hingga
menutupi seluruh biji. Biji jamur akan mencemari biji
3
lainnya jika di tempatkan dalam tempat yang sama,
contoh gambar 2 [13].
Gambar 2 : Biji Jamur
Biji normal mempunyai permukaan yang bersih dari
titik spora atau benda yang menempel lainya. Ciri
fisik ini yang menjadi keunggulan mutu untuk
dikonsumsi public, contoh pada gambar 3 [13].
Gambar 3 : Biji Normal
2.2 Statistika Warna Fitur warna dapat diperoleh melalui perhitungan
statistis seperti rerata, deviasi standar, skewness, dan
kurtosis. Perhitungan dikenakan pada setiap
komponen R, G, dan B [12].
Rerata memberikan ukuran mengenai distribusi dan
dihitung dengan menggunakan rumus pada
persamaan 1.
∑∑
(1)
Varians menyatakan luas sebaran distribusi. Akar
kuadrat varians dinamakan sebagai deviasi standar.
Adapun rumus yang digunakan untuk menghitungnya
pada persamaan 2.
√
∑∑
(2)
Skewness atau kecondongan menyatakan ukuran
mengenai ketidaksimetrisan. Distribusi dikatakan
condongan ke kiri apabila memiliki nilai skewness
berupa bilangan negatif. Sebaliknya, distribusi
dikatakan condong ke kanan apabila memiliki nilai
positif. Jika distibusi simetris, maka nilai skewness
berupa nol. Skewness dihitung dengan pada
persamaan 3.
∑ ∑
(3)
Kurtosis merupakan ukuran yang menunjukan
sebaran data bersifat meruncing dan menumpul.
Perhitungannya seperti persamaan 4.
∑ ∑
(4)
2.3 Ekstraksi Fitur Tekstur Metode yang digunakan untuk memperoleh fitur
tekstur dapat dibedakan menjadi tiga golongan yaitu
motode statis, metode struktural, metode spektral.
Metode statistis menggunakan perhitungan statistika
untuk membentuk fitur, contoh yang termasuk
sebagai metode statistis yaitu tekstur berbasis
histogram, GLCM, dan Tamura. Metode struktural
menjabarkan susunan elemen ke dalam tekstur,
contoh metode struktural adalah Shape Grammar.
Metode spektral adalah metode yang didasarkan pada
domain frekuensi-spasial, contoh metode spektral
adalah distribusi energi domain Fourier, Gabor, dan
filter Laws [11].
2.4 Tekstur Berbasis Histogram Metode yang sederhana untuk mendapatkan tekstur
adalah dengan mendasarkan pada histogram suatu
citra. Fitur – fitur tekstur citra dapat deikenal secara
statistis melalui histogram. Perbedaan histogram
terlihat pada citra yang mengandung tekstur yang
berbeda. Perbedaan fitur – fitur dapat dihitung dengan
menggunakan ekstraksi fitur berbasis histogram yang
terdiri dari rerata intensitas, rerata kontras, skewness,
energi, entropi, dan smoothness [11].
a. Retata Intensitas
Fitur pertama yang dihitung secara statistis adalah
rerata intensitas. Komponen fitur ini dihitung
berdasarkan persamaan 5. Rumus ini akan
menghasilkan rerata kecerahan objek [11].
∑
(5)
4
b. Standar Deviasi
Fitur ini memberikan ukuran kekontrasan.
Perhitungan untuk mendapatkan hasil standar deviasi
pada persamaan 6 [11].
√∑
(6)
c. Skewness
Skewness sering disebut sebagai momen orde tiga
ternormalisasi. Nilai negatif menyatakan bahwa
distribusi kecerahan condong ke kiri terhadap rerata
dan nilai positif menyatakan bahwa distribusi
kecerahan condong ke kanan terhadap rerata. Dalam
praktik, nilai skewness dibagi dengan
supaya ternormalisasi. Terlihat pada persamaan 7
[11].
∑
(7)
d. Energi
Energi adalah ukuran yang menyatakan distribusi
intensitas piksel terhadap jangkauan aras keabuan
pada persamaan 8 [11].
∑
(8)
e. Entropi
Entropi mengindikasikan kompleksitas citra. Semakin
tinggi nilai entropi, semakin kompleks citra tersebut.
Perlu diketahui, entropi dan energi berkecenderungan
berkebalikan. Entropi juga merepresentasikan jumlah
informasi yang terhubung didalam sebaran data
perhitungannya terlihat pada persamaan 9 [11].
∑
(9)
f. Smoothness
Properti kehalusan biasa disertakan untuk mengukur
tingkat kehalusan atau kekerasan intensitas citra, pada
pesamaan 10 [11].
(10)
2.5 K – Nearest Neighbor K – Nearest Neighbor (KNN) merupakan sebuah
metode untuk melakukan klasifikasi terhadap objek
atau data berdasarkan data pembelajaran yang
diambil dari k tetangga terdekat. Dengan k
merupakan banyaknya tetangga terdekat. Algoritma
KNN menggunakan klasifikasi ketetanggan sebagai
nilai prediksi dari sampel uji yang baru. Perhitungan
jarak dekat dan jauh tetangga ditentukan berdasarkan
rumus jarak euclidean. Penggunaan rumus jarak
euclidean merupakan rumus paling umum untuk
dipakai, dibanding dengan rumus jarak lainnya seperti
city-block, kotak catur (chebychef), minkowski,
canbera, dan lainnya. Terlihat pada persamaan 11
[11].
√∑
(11)
3. METODOLOGI PENELITIAN
3.1 Objek Penelitian Dalam penyusunan penelitian ini yang menjadi objek
yaitu biji kopi yang memiliki cacat sesuai dengan
standarisasi kopi nasional. Menggunakan gambar atau
citra dari biji kopi sebagai masukan dalam sistem
yang akan dibuat. Penelitian ini menentukan citra
masukan yang akan menghasilkan suatu keluaran
berupa penentuan cacat atau tidak cacat biji kopi.
Dengan adanya sistem ini, diharapkan dapat
memberikan manfaat dalam meneliti dan menentukan
kualitas biji kopi yang baik.
3.2 Alur Proses Penelitan Penelitian ini bertujuan untuk mengenali beberapa
jenis cacat biji kopi yang terdaftar dalam badan
standar nasional. Pengenalan melalui citra atau
gambar dilakukan menggunakan sistem yang
dirancang oleh peneliti untuk memudahkan dalam
pengenalan cacat biji kopi. Pada sistem ini diberikan
sebuah input data berupa gambar dan proses output
akan menghasilkan nilai akurasi dan mutu kopi.
Metode yang digunakan untuk penelitian ini yaitu
KNN, dengan penggunaan metode ini sangat
berpengaruh dalam penentuan kategori cacat biji kopi
yang tepat.
Alur proses menggunakan sistem seperti resize
ukuran gambar menjadi 300 x 300 piksel, hal ini
bertujuan pada saat proses perhitungan tidak
memakan waktu yang lama. Penajaman (sharpening)
citra bertujuan untuk memperjelas tepi objek.
Konversi citra hasil penajaman ke aras keabuan dan
5
citra tersebut digunakan untuk proses konversi citra
ekualisasi histogram. Kemudian hasil citra keabuan
ke citra ekualisasi histogram dilakukan proses
pengambilan parameter nilai. Metode statistika warna
dan ekstraksi fitur tekstur berbasis histogram
didapatkan parameter nilai sebanyak 18 parameter
nilai yang akan digunakan untuk proses perhitungan
jarak antara data uji dan data latih. Proses perhitungan
metode KNN dimulai menentukan nilai K terlebih
dahulu, selanjutnya mendapatkan nilai jarak
Euclidean berdasarkan data dari parameter nilai data
latih dan data uji. Mengurutkan hasil jarak dari yang
terkecil ke terbesar, kemudian mendapatkan data
sejumlah nilai K dan teridentifikasi sesuai dengan
target. Proses secara manual dan proses menggunakan
sistem, terlihat pada gambar 4.
Proses dilakukan menggunakan sistem
Proses dilakukan secara manual tanpa sistem
Pengambilan
data
Mengambil
gambar / citra
Penyortiran data kopi
secara manual
Masukan citra ke
sistem
Histogram ekualisasi
Data Latih :
- biji normal : 20
- biji muda : 20
- biji jamur : 20
Data Uji :
- biji normal : 5
- biji muda : 5
- biji jamur : 5
Konversi ke aras
keabuan
Menggunakan filter
penajaman citra
Proses threshold untuk
memisahkan warna objek
dan latar
Resize gambar
menjadi 300 x 300
Gambar 4 : Alur Sistem Proses Manual dan Proses dengan
Sistem
Alur proses untuk perhitungan jarak Euclidean dan
metode KNN, terlihat pada gambar 5.
Proses perhitungan jarak euclidean dan metode KNN
Perhitungan statistika warna
dan ekstraksi fitur tekstur
histogram
Menginputkan
nilai K
Menghitung
jarak
euclidean
Mendapatkan data
sejumlah nilai K
Teridentifikasi
cocok/tepat
dengan target
Mengurutkan hasil
perhitungan jarak
dari terkecil
Mendapatkan
akurasi dan
penentuan kopi
Selesai
Gambar 5 : Alur Sistem Proses Perhitungan Jarak
Euclidean dan Metode KNN
4. HASIL DAN PEMBAHASAN
4.1 Algoritma Pengolahan Citra
Alur proses pengolahan citra ini menggunakan
beberapa preprosesing seperti resize citra ke ukuran
300x300 piksel, kondisi penggunaan threshold, filter
penajaman, konversi ke citra keabuan, dan konversi
ke citra histogram ekualisasi. Berikut algoritma dari
pengolahan citra pada gambar 6.
Mulai
Citra Latih,
Citra Uji
Resize Citra
300x300 piksel
Gunakan
threshold ?
Tidak
Filter Sharpening
Citra
Ya
Seleksi warna latar dengan
objek menggunakan batas
ambang warna RGB > 100
berubah warna putih 255
Konversi ke aras
keabuan
Konversi ke citra
histogram ekualisasi
Simpan ke Tabel
Selesai
Gambar 6 : Algoritma Pengolahan Citra
6
4.2 Algoritma Ekstraksi Fitur Alur ekstraksi fitur menggunakan proses dari
algoritma pengolahan citra, dengan mendapatkan
citra warna untuk ekstraksi statistika warna dan citra
hasil histogram ekualisasi untuk ekstraksi fitur tekstur
berbasis histogram. Terlihat pada gambar 7.
Mulai
Citra
Sharpening
Konversi ke aras
keabuan
Konversi ke citra
histogram ekualisasi
Ekstraksi tekstur berbasis histogram
dengan parameter (rerata intensitas,
rerata kontras, skewness, energi, entropi,
dan smoothness)
Nilai
ekstraksi fitur
Simpan ke Tabel
Selesai
Ekstraksi statistika warna dengan
parameter nilai setiap RGB (rerata,
deviasi standar, skewness, dan
kurtosis)
Gambar 7 : Algoritma Ekstraksi Fitur
4.3 Algoritma Pengujian Sistem Algoritma pengujian akan melakukan proses input
data uji, kemudian akan dilakukan proses perhitungan
menggunakan rumus euclidean, selanjutnya proses
pengurutan dari nilai jarak terkecil, dan proses seleksi
menggunakan metode KNN. Setelah proses seleksi
dilakukan, mendapatkan pengenalan hasil citra uji.
terlihat pada gambar 8.
Mulai
Citra Uji,
Target Awal
Resize Citra
300x300 piksel
Gunakan
threshold ?
Tidak
Filter Sharpening
Citra
Ya
Seleksi warna dengan batas
ambang RGB > 100, diubah
warnanya menjadi 255
Konversi ke aras
keabuan
Konversi ke citra
histogram ekualisasi
Tekstur Barbasis
Histogram
Statistika Warna
Nilai ekstraksi
fitur uji
Nilai KNilai Ekstraksi
Fitur
Menghitung jarak
euclidean
Pengurutan nilai jarak
dari nilai terkecil
Perbandingan dengan
metode KNN
Hasil pengenalan
citra
Selesai
Gambar 8 : Algoritma Pengujian Sistem
4.4 Implementasi Implementasi simulasi untuk klasifikasi terhadap 60
data latih dan satu data uji tidak menggunakan proses
thresholding, data yang digunakan gambar 9.
Gambar 9 : Sampel Data Uji
Gambar 9 akan di ekstraksi untuk mendapatkan nilai
parameter dari statistika warna dan tekstur histogram
ekualisasi. Detail ekstraksi nilai seperti tabel 1.
Tabel 1 : Nilai Ekstraksi Fitur
Data Uji Keterangan Nilai
Intensitas 129.87031111111108
Deviasi 74.59895384069024
Skewness -0.33699302193671454
7
Tabel 1 : Lanjutan
Data Uji Keterangan Nilai
Energi 0.022727740000000007
Entropi 4.1601892075798
Smooth 0.07883558018916392
Rerata Red 145
Rerata Green 145
Rerata Blue 139
Deviasi Red 36.34226755598928
Deviasi Green 39.33062024541297
Deviasi Blue 46.99700155920115
Skewness Red -1.7917682261239152
Skewness Green -1.7148437932003298
Skewness Blue -1.4901677096149353
Kurtosis Red 3.1747719153351017
Kurtosis Green 2.425538535632115
Kurtosis Blue 0.9107366748566714
Penerapan metode KNN dengan melalui urutan
langkah – langkah sebagai berikut :
a. Menentukan Target Awal atau Prediksi Citra
Menentukan target awal untuk nantinya akan di
cocokan dengan hasil target setelah proses
perhitungan euclidean.
b. Menentukan Nilai K
Nilai K yang akan diujikan yaitu 3. Nilai ini
akan menentukan jumlah pengambilan data hasil
setelah perhitungan jarak dan pengurutan nilai
selesai.
c. Menghitung Jarak Euclidean
Menghitung nilai data uji dengan semua data
latih yang telah di inputkan dengan rumus pada
persamaan 11.
d. Mengurutkan Data Latih dan Mengambil
Data Sejumlah Nilai K
Berdasarkan jarak euclidean yang telah
dilakukan dengan seluruh data latih, kemudian
diurutkan dari data terkecil dan mengambil data
sesuai nilai K. Terlihat pada tabel 2.
Tabel 2 : Urutan Jarak Euclidean dan Data Terpilih
Data
Uji Target Jarak Euclidean Urutan
IMS_
latih_10
Biji
Jamur 2.086773557996212 1
IMS_
latih_22
Biji
Muda 2.434883065722543 2
IMS_
latih_15
Biji
Jamur 2.446475322024772 3
e. Tarik Kesimpulan Berdasarkan Target
Terbanyak dari Nilai K
Berdasarkan hasil keluaran dari nilai K = 3 nilai
kemunculan target Biji Jamur sebanyak 2 dan
target Biji Muda sebanyak 1, maka data uji
tersebut dinyatakan sebagai Biji Jamur.
Pada sistem ini menjalankan dua kondisi berbeda
dalam melakukan proses preprosesing terhadap suatu
citra. Kondisi yang digunakan yaitu thresholding,
bertujuan untuk menyeleksi warna latar dari objek.
Threshold yang digunakan untuk menyeleksi setiap
warna RGB dengan kode warna lebih dari 100 akan
diganti dengan kode warna putih yaitu 255.
Perbedaan dari penggunaan metode threshold dan
tidak menggunakan threshold akan terlihat pada hasil
akhir. Berikut perbandingan sampel pengujian pada
gambar 10.
a) Menggunakan Threshold b) Tidak Menggunakan Threshold
Gambar 10 Perbandingan Biji Kopi
Perbandingan keluaran hasil berdasarkan nilai K,
terlihat pada gambar tabel 3.
Tabel 3 Hasil Perbandingan Berdasarkan Nilai K
Menggunakan Threshold
Tidak Menggunakan
Threshold
Nilai K = 1 Tidak Sesuai Tidak Sesuai
Nilai K = 3 Tidak Sesuai Tidak Sesuai
Nilai K = 5 Tidak Sesuai Sesuai
Nilai K = 7 Tidak Sesuai Sesuai
Hasil akhir setelah menghitung jarak euclidean
ternyata citra yang lebih dikenali pada citra tanpa
threshold untuk nilai K = 5 dan nilai K = 7.
5. PENUTUP
5.1 Kesimpulan
Hasil penelitian dalam menganalisis dan merancang
sistem klasifikasi mutu biji kopi menggunakan
metode KNN berdasarkan warna dan tekstur, maka
didapatkan kesimpulan diantaranya sebagai berikut :
1. Sistem mengklasifikasi citra terhadap tiga objek
pengenalan yaitu biji muda, biji berjamur, dan
biji normal. Penggunaan sampel citra sebanyak
60 data latih dan 15 data uji.
8
2. Pengenalan terhadap biji kopi dilakukan
menggunakan metode KNN dengan parameter
yang digunakan untuk perhitungan sebanyak 18,
terbagi menjadi dua ekstraksi yaitu statistika
warna (rerata red, rerata green, rerata blue,
standar deviasi red, standar deviasi green,
standar deviasi blue, skewness red, skewness
green, skewness blue, kurtosis red, kurtosis
green, kurtosis blue) dan tekstur berbasis
histogram (intensitas, standar deviasi, skewness,
energi, entropi, smoothness).
3. Mendapatkan akurasi dari kesesuaian data
sejumlah 46,67% untuk preprosesing
menggunakan thresholding dengan jumlah K
terbesar yaitu 5. Sedangkan 65% tanpa
thresholding dengan jumlah K terbesar 1, 5, dan
7.
5.2 Saran Penelitian klasifikasi mutu biji kopi menggunakan
metode KNN berdasarkan warna dan tekstur
diharapkan dapat terus dikembangkan. Adapun saran
untuk mengembangkan penelitian ini adalah
1. Perlu adanya peningkatan yang lebih baik saat
melakukan preprosesing terhadap suatu citra,
agar nilai yang di ekstraksi lebih optimal.
2. Mengingat dalam proses pengambilan data citra
mendapatkan hasil yang kurang baik, karena
hasil citra untuk latar objek terdapat banyak
derau sehingga perlu ditingkatkan dalam proses
pengambilan data citra.
DAFTAR PUSTAKA
[1] Ardiarta M, R. dan Sutojo, T. (2016),
Pendeteksi Kualitas Biji Kopi Menggunakan
Algoritma Naive Bayes, Skripsi, Universitas
Dian Nuswantoro.
[2] Armansyah, M. (2010), Mempelajari Minuman
Formulasi dari Kombinasi Bubuk Kakao
dengan Jahe Instan, Teknologi Pertanian -
Universitas Hasanuddin.
[3] Avestro, J. (2007), Pengenalan Pemrograman
Java, Jakarta: JENI.
[4] Ardiarta M, R. dan Sutojo, T. (2016),
Pendeteksi Kualitas Biji Kopi Menggunakan
Algoritma Naive Bayes, Skripsi, Universitas
Dian Nuswantoro.
[5] Armansyah, M. (2010), Mempelajari Minuman
Formulasi dari Kombinasi Bubuk Kakao
dengan Jahe Instan, Teknologi Pertanian -
Universitas Hasanuddin.
[6] Avestro, J. (2007), Pengenalan Pemrograman
Java, Jakarta: JENI.
[7] Brady, M. dan Loonam, J. (2010), Exploring
the use of entity-relationship diagramming as a
technique to support grounded theory inquiry,
Bradford: Emerald Group Publishing.
[8] Gonzalez, R.C. dan Woods (2002), Digital
Image Processing, London, England: Prantice
Hall : USA International Coffee Organization.
[9] Herdiana, H.A. (2017), Klasifikasi Jenis Buah
Anggur Menggunakan Metode Ekstraksi Fitur
Tekstur dan Jaringan Saraf Tiruan, Tugas
Akhir, Universitas Teknologi Yogyakarta.
[10] Kadir, A. (2013), Dasar Pengolahan Citra
dengan Delphi, Yogyakarta: ANDI
Yogyakarta.
[11] Kadir, A. dan Adhi, S. (2012), Teori dan
Aplikasi Pengolahan Citra, Yogyakarta: ANDI
Yogyakarta.
[12] Martinez, W.L. dan Martinez, A.R. (2002),
Computational Statistics Handbook With
Matlab, Florida: CRC Press LLC.
[13] Nasional, B.S. (2008), Standar Nasional
Indonesia (SNI) Biji Kopi, Badan Standarisasi
Nasional.
[14] Oetomo, B.S.D. (2002), Perencanaan dan
Pengembangan Sistem Informasi, Yogyakarta:
Andi.
[15] Organization, I.C. (2017), Lima Negara
Eksportir Kopi Terbesar di Dunia pada Musim
2016-2017, Diambil darihttp://www.ico.org/.
[16] Permadi, Y. dan Murinto (2015), Aplikasi
Pengolahan Citra Untuk Identifikasi
Kematangan Mentimun Berdasarkan Tekstur
Kulit Buah Menggunakan Metode Ekstraksi
Ciri Statistik, Skripsi, Universitas Teknologi
Yogyakarta.
[17] Prahudaya, T.Y. dan Harjoko, A. (2017),
Metode Klasifikasi Mutu Jambu Biji
Menggunakan K-Nearest Neighbor (KNN)
Berdasarkan Fitur Warna dan Tekstur, Skripsi,
Univesitas Gajah Mada.
[18] Prasetyo, D.D. (2004), Tip dan Trik PHP dan
MySQL, Jakarta: Elex Media Komputindo.
[19] Widiarti, A.R. (2013), Teori dan Aplikasi
Pengolahan Citra Digital : Transliterasi
Otomatis Citra Dokumen Teks Aksara Jawa,
Yogyakarta: Lintang Pustaka Utama.
top related